¿Qué es Retrieve-for-Train?

Retrieve-for-Train es un método de Google Research para la búsqueda con IA que hace una sola vez, durante el entrenamiento, la planificación difícil. Después, en el momento de la búsqueda, un modelo pequeño convierte una consulta en un conjunto completo y variado de resultados en una sola pasada. El problema que resuelve es la búsqueda que necesita un conjunto, no una única mejor coincidencia. Quien escribe «material de acampada» quiere una tienda, un saco de dormir, un hornillo y una linterna, no diez tiendas. Calcular ese conjunto en directo, con un modelo de IA grande razonando paso a paso mientras el usuario espera, es lento. Retrieve-for-Train traslada ese razonamiento a un entrenamiento que se hace una sola vez y le pasa el resultado a un modelo mucho más pequeño, que según Google responde entre 12 y 20 veces más rápido.

Retrieve-for-Train es la forma que tiene Google de obtener un conjunto de resultados de búsqueda rápido y variado sin hacer que un modelo de IA piense en el momento de la búsqueda. Google Research lo publicó en septiembre de 2026. El problema empieza con una consulta amplia. Alguien busca «material de acampada», y una buena respuesta es un conjunto que cubra la excursión: una tienda, un saco de dormir, un hornillo y una linterna frontal. Los sistemas de búsqueda obtienen ese conjunto dividiendo la consulta en varias más pequeñas y lanzando cada una. La forma obvia de hacer esa división es pasarle la consulta a un modelo de lenguaje grande en el momento de la búsqueda. Eso falla de dos maneras. El modelo tiende a producir casi copias de una misma consulta en lugar de consultas para distintos tipos de artículo. Y elabora su respuesta paso a paso, en texto, así que es lento: en las pruebas de Google, dividir 1.024 consultas a la vez tardó casi 50 segundos. Retrieve-for-Train hace el razonamiento una sola vez, en tres pasos. Primero, un modelo de lenguaje mediano se entrena por ensayo y recompensa para producir 10 consultas más pequeñas por búsqueda. La recompensa puntúa las 10 como grupo: si coinciden con artículos reales del catálogo, si cubren terrenos distintos y si se mantienen en el tema original. Segundo, ese modelo entrenado genera enormes cantidades de ejemplos, y cada uno empareja una consulta con un buen conjunto de resultados, sin etiquetado humano. Tercero, un modelo pequeño de unos 54 millones de parámetros aprende de esos ejemplos a saltar de una consulta directamente al conjunto completo de resultados de una vez, en lugar de palabra por palabra. Solo el modelo pequeño se ejecuta cuando un usuario busca. En las pruebas de Google tardó menos de un segundo en lotes pequeños y unos 4 segundos en el lote de 1.024, entre 12 y 20 veces más rápido que un modelo que razona paso a paso. Sus resultados también fueron más variados que los de un modelo general. Es una receta para comprimir un comportamiento caro en un modelo barato, no un nuevo buscador.

Un negocio de cestas regalo tiene un problema. Un cliente que pide una «cesta de pícnic» quiere un surtido, no seis tipos de queso, y cada cesta tiene que ser variada, fiel al tema y hecha con cosas que de verdad haya en el almacén. Una forma de llevarlo es contratar a un generalista listo que invente cada cesta desde cero mientras el cliente espera. Eso es lento, y el generalista acaba echando mano de cinco galletas saladas casi idénticas. La dueña, en cambio, dedica 4 semanas a averiguar, para cada tipo de pedido, qué artículos forman una buena cesta, y puntúa cada intento según lo que importa: existencias reales, variedad y encaje con el pedido. Los resultados van a unas fichas de montaje. A partir de ahí, cualquier empleado nuevo puede llenar una cesta en 60 segundos sin pensar, y las cestas son mejores que las del generalista. Retrieve-for-Train lleva un sistema de búsqueda de la misma manera. Las 4 semanas de trabajo son el entrenamiento, las fichas de montaje son los ejemplos, el empleado nuevo hace de modelo pequeño y la cesta, de conjunto de resultados. Donde la imagen falla: un empleado nuevo sigue una ficha fija para un pedido fijo, mientras que el modelo pequeño ha aprendido el patrón y produce un conjunto para pedidos que nunca ha visto.